引子：我童年里的"人工智能"，是个会说话的铁盒子
小时候看《哆啦A梦》，我最羡慕的不是任意门，而是哆啦A梦那个圆滚滚的脑袋——它什么都知道，还会跟你斗嘴。后来又看了《终结者》，天网一夜之间觉醒，人类完蛋——当时的我一边害怕一边兴奋：电脑要是真能像人一样思考，那该多酷啊。
长大后我才知道，从人类第一次认真问出"机器会思考吗"，到今天手机里的 AI 随叫随到，中间隔了整整六十多年。而且这条路走得一点都不顺：它热过两次，也凉过两次，凉到差点连"人工智能"这四个字都不敢再提。
这就是今天要讲的故事：AI 简史的上篇——从图灵之问，到两次寒冬。
图灵之问：机器会思考吗？
1950 年，英国数学家阿兰·图灵在论文《计算机器与智能》里，抛出了一个石破天惊的问题："机器会思考吗？"为了回答它，他设计了一个"模仿游戏"：把一个人和一台机器分别关在两个房间里，考官只能通过打字跟它们聊天，如果考官分不清哪个是人，机器就算通过了测试——这就是大名鼎鼎的"图灵测试"。
想想当时的画面有多魔幻：1950 年的计算机还是占满一整间屋子的庞然大物，靠电子管发热、纸带输入，算个加减法都吭哧吭哧，图灵却已经在问"它会思考吗"。可惜的是，图灵 1954 年就去世了，没能看到这个问题如何折腾了人类七十多年。
达特茅斯会议：AI 有了名字
1956 年夏天，美国达特茅斯学院，约翰·麦卡锡张罗了一场为期两个月的"头脑风暴夏令营"，十来个年轻人凑在一起，琢磨怎么让机器变聪明。麦卡锡在会议提案里第一次写下了"artificial intelligence"（人工智能）这个词——AI 从此有了正式的名字和户口本。
但这群天才乐观得离谱：麦卡锡说"两个月，十个人，就能解决智能问题"；赫伯特·西蒙预言"二十年内，机器能做人能做的任何工作"。他们用的计算机，一台 IBM 704 当年售价上百万美元，体积占半间屋子，算力却还不如你今天口袋里这部千元手机的零头。flag 立得有多高，后面的脸就打得有多疼。
感知机：第一个会学习的"电子大脑"
1957 年，康奈尔大学的弗兰克·罗森布拉特搞出了"感知机"（Perceptron）——人类历史上第一个能从数据里学习的神经网络雏形。它跑在 IBM 704 上，能识别一些简单的图形，美国海军一看激动坏了，媒体直接开吹："电子大脑将能走路、说话、自我复制！"嗯，这个画风，是不是有点像今天某些 AI 发布会？
热闹归热闹，感知机其实是个"单细胞生物"：它只能学最简单的线性分类，稍微复杂一点的规律就抓瞎。而这个小小的缺陷，很快就被人抓住了把柄。
一纸批判，AI 进入第一次寒冬
1969 年，MIT 的马文·明斯基和西摩·派普特出版了《感知机》一书，用数学严格证明了单层感知机的局限——连 XOR 都学不会的那种局限。这本书像一盆冰水，浇灭了所有人的热情：资助机构纷纷撤资，实验室关门，"人工智能"成了学术圈的敏感词，谁提谁尴尬。
这就是第一次 AI 寒冬。复盘一下，当时到底缺了什么？我总结成"三缺"：缺算力——计算机慢得可怜，训练个稍大点的模型要等到天荒地老；缺数据——没有互联网，哪来的海量数据喂给机器；缺算法——反向传播这类关键算法还没影儿（要到 1986 年才真正流行起来）。三缺齐备，寒冬虽迟但到。
专家系统：把老中医写成 if-else 的年代
寒冬十几年后，AI 以"专家系统"的马甲杀了回来：思路很直白——把人类专家的经验写成一条条"如果……那么……"的规则，让计算机像专家一样推理看病、探矿、配药。一时间风头无两：日本政府砸下 8.5 亿美元搞"第五代计算机"计划，美国 DARPA 也大手笔跟进，华尔街的分析师们断言"知识就是力量，规则就是未来"。
但这事儿细想就很荒诞：真有人想把老中医"望闻问切几十年的功力"翻译成几千条 if-else。结果呢？规则写到几千条就维护不动了，牵一发而动全身；换个场景立马翻车，堪称"人工智障"。1987 年，专用 Lisp 机市场崩盘；1993 年，DARPA 砍掉经费——第二次 AI 寒冬，比第一次更冷，冷到研究者都不敢再提"人工智能"，纷纷改名叫"信息学""智能系统"，生怕被经费评审拉黑。
深蓝：用暴力"算"赢了世界棋王
1997 年 5 月，IBM 的"深蓝"超级计算机以 3.5:2.5 的总比分战胜了世界国际象棋冠军卡斯帕罗夫。全球哗然：机器第一次在人类顶尖智力竞技中正面击败了人类棋王。
但深蓝的胜利有点"胜之不武"：它每秒能评估 2 亿步棋，靠的是暴力搜索加人类大师的手工调参——它并不"理解"象棋，只是算得比你快太多。卡斯帕罗夫赛后气得怀疑 IBM 作弊，坚称"机器背后一定藏着人"，要求重赛被拒，一怒之下退役。深蓝证明了算力的威力，也暴露了天花板：暴力搜索这条路，走不远。真正的突破，要等另一个方向。
寒冬里的火种：Hinton 与 ImageNet
在所有人都不看好神经网络的年代，多伦多大学的杰弗里·辛顿（Geoffrey Hinton）像个固执的老农，守着这块"盐碱地"不走。2006 年，他发表了深度信念网络的论文，用"逐层预训练"的 trick 让深层神经网络真正训练了起来——"缺算法"的短板，第一次被补上了一块。
2009 年，斯坦福的李飞飞团队发布了 ImageNet：1500 万张人工标注的图片，靠众包平台雇了全球近 5 万人一张张标出来——"缺数据"的短板，第一次被人工硬生生补上了。而"缺算力"呢？游戏玩家们熟悉的 GPU，正悄悄从显卡里探出头来。三缺的拼图已经摆上桌，就差一个引爆点。而那个引爆点，发生在 2012 年——且听下回分解。
小结：寒冬教会我们的三件事
从 1950 年图灵之问，到 2009 年 ImageNet，AI 的上半场走完了。回头看，这六十年教会我们三件事：
第一，技术爆发需要"三缺"齐备。缺算力、缺数据、缺算法，少一块拼图都不行。寒冬不是因为科学家不聪明，而是因为时机没到。
第二，警惕"炒作—泡沫—寒冬"的循环。每一次狂热里都藏着下一次寒冬的种子。对今天的 AI 热潮保持一份清醒，不是悲观，是成熟。
第三，真正的突破往往诞生在寒冬里。2006 年 Hinton 发论文时几乎没人理他，2009 年 ImageNet 上线时也没几个人意识到它意味着什么。历史从不奖励追热点的人，只奖励在冷板凳上把拼图一块块补齐的人。
下篇，我们将进入 2012，看看 AlexNet 如何点燃深度学习十年，从图像识别一路烧到今天的大模型时代——那才是真正的好戏开场。不见不散。
Comments NOTHING